管涛编著的《数据分析基础及模型》与数据挖掘、机器学习、数学理论领域在分析问题的角度上有一定的区别。从内容上看，数据挖掘和机器学习书籍更侧重工程上的实践和应用，很少揭示算法蕴含的数学原理。而数学专业书籍多从理论上定义和证明，较少结合实际问题进行讲解，与应用脱节较大，计算机专业的研究人员入门较难。本书不探讨深刻的数学理论本身，而是结合数据分析需求和作者的工作，对相关的数学领域加以阐述和介绍，是对计算机领域的数据分析研究的一个有效的补充。

管涛编著的《数据分析基础及模型》共分7章，主要内容包括：第1章介绍了相关的算子理论基本定义和概念；第2章介绍了数据分析的数理统计基础，包括常用统计分布、分布函数的变换、收敛性、MCMC采样、随机逼近；第3章引入了数据分析中常见的矩阵计算和分解的相关理论和方法；第4章阐述了一些数据分类模型；第5章介绍了流行的降维理论和方法；第6章论述了聚类分析相关理论和算法；第7章讨论了在线学习的理论和方法。本书亦注重算法的Matlab实现，书中包含了一些算法的Matlab程序。

本书可作为高等院校计算机科学与技术、电子商务、云计算、数据挖掘和分析、信息检索等专业的教学参考书，也可作为大数据领域工程人员的参考用书。

第1章 算子理论基础

 1.1 基本概念和定义

 1.2 常用不等式

 小结及深入的主题

第2章 统计分析基础

 2.1 基本概念

 2.2 常见分布及Matlab实现

 2.5 收敛性

 2.6 随机逼近

 小结及深入的主题

第3章 矩阵分解与计算

 3.1 基本概念

 3.2 矩阵分解与降维

 小结及深入的主题

第4章 分类模型

 4.1 贝叶斯推断

 4.2 高斯混合模型（GMM）

 4.3 Logistic回归

 4.4 判别分析

 4.5 集成学习（Ensemble Learning）

 小结及深入的主题

第5章 数据降维方法

 5.1 主成分分析（PCA）

 5.2 扩展的PCA模型

 5.3 流形学习

 5.4 谱聚类

 5.5 典型谱聚类算法及其性能分析

 小结及深入的主题

第6章 聚类分析

 6.1 经典聚类模型

 6.2 核聚类模型

 6.3 常见算法性能的分析与比较

 小结及深入的主题

第7章 在线学习

 7.1 引言

 7.2 模型和算法

 2.3 模型复杂性及选择

 7.4 算法收敛性、收敛速度和误差界

 7.5 典型应用

 小结及深入的主题

附录A 常用参数和指标

 A.1 期望和方差

 A.2 偏度（Skewness）

 A.3 峰度（Peakrless／Kurtosis）

附录B 度量

 B.1 相关性度量

 B.2 距离度量

附录C Cramer-Rao不等式

附录D 中英文对照表